CN112070151A - 一种mstar数据图像的目标分类识别方法 - Google Patents
一种mstar数据图像的目标分类识别方法 Download PDFInfo
- Publication number
- CN112070151A CN112070151A CN202010926790.1A CN202010926790A CN112070151A CN 112070151 A CN112070151 A CN 112070151A CN 202010926790 A CN202010926790 A CN 202010926790A CN 112070151 A CN112070151 A CN 112070151A
- Authority
- CN
- China
- Prior art keywords
- azimuth
- mstar
- data set
- training
- cnn network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000013519 translation Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 31
- 230000000694 effects Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 102100024506 Bone morphogenetic protein 2 Human genes 0.000 description 2
- 101000762366 Homo sapiens Bone morphogenetic protein 2 Proteins 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种MSTAR数据图像的目标分类识别方法、计算机设备及计算机可读存储介质,该方法包括如下步骤:获取MSTAR数据集并进行方位角信息检测,评估MSTAR数据集方位角信息缺失情况;若方位角间隔角度不超过4°,则对MSTAR数据集进行均匀降采样,得到初始训练集;以平移截取的方式扩充初始训练集,利用扩充后得到的训练集训练CNN网络;利用训练完成后得到的CNN网络进行目标分类识别。本发明能够充分利用方位角信息不完备的数据集,并压缩数据集容量,减少数据冗余,通过小样本数据集实现目标较为准确的分类识别,在一定程度上解决了获取实测SAR图像难度大、成本高的问题。
Description
技术领域
本发明涉及目标识别技术领域,尤其涉及一种MSTAR数据图像的目标分类识别方法、计算机设备及计算机可读存储介质。
背景技术
目前,大多数基于深度学习网络的SAR图像识别技术都采用了经验性调参,且需要大量样本数据来训练网络内部结构,以提高网络对SAR图像中目标分类识别的精度。但实际情况往往是无法获得大量所需的SAR图像样本,尤其是对于某些感兴趣的军事目标,SAR图像获取难度大,数据量不足,通常还可能存在方位角信息缺失的问题,即缺少某些角度下的图像数据,无法得到全方位角数据集。因此,在满足基本的识别要求(如识别的精度和速度)的前提下,如何构建小样本数据集进行训练、如何选取小样本数据集的典型特征,是未来利用深度学习分类识别SAR图像研究的新的发展趋势。
因此,针对以上不足,需要提供一种能够在数据集方位角信息不完备条件下实现SAR图像分类识别的技术方案。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是解决现有技术难以利用方位角信息不完备的数据集完成网络训练进而实现目标分类识别的问题。
(二)技术方案
为了解决上述技术问题,本发明提供了一种MSTAR数据图像的目标分类识别方法,该方法包括如下步骤:
S1、获取MSTAR数据集并进行方位角信息检测,将MSTAR数据集内采样数据的方位角间隔角度记为T,方位角缺失起始角度记为θ1,终止角度记为θ2;利用判别式P=f(T,θ1,θ2)评估MSTAR数据集方位角信息缺失情况,若P超过设定阈值,则再次获取MSTAR数据集并进行方位角信息检测,若P不超过设定阈值,则继续执行步骤S2;
S2、若方位角间隔角度T不超过4°,则对MSTAR数据集进行均匀降采样,使均匀降采样后,方位角间隔角度T满足6°<T≤8°,得到初始训练集;
S3、以平移截取的方式扩充初始训练集,扩充倍数为8~20,利用扩充后得到的训练集训练CNN网络;其中所述CNN网络包括至少三组交替的卷积层与最大池化层,以及至少两层全连接层;
S4、利用训练完成后得到的CNN网络进行目标分类识别。
优选地,
所述步骤S1中,利用判别式评估MSTAR数据集方位角信息缺失情况时,判别式为:P=a*T/8+b*(θ2-θ1)/80+c*(|θ-θ1|+|θ2-θ|)/500;其中,a表示方位角间隔角度权值,b表示方位角缺失数量权值,c表示方位角缺失方向权值,a+b+c=1,θ表示目标特征不敏感方向,通过先验知识或目标形态特征分析确定。
优选地,
所述CNN网络中,卷积层的计算过程如下:
式中,yi′j′表示卷积层的输出特征,i′,j′表示卷积后特征坐标,b表示偏置,Wij表示卷积核,卷积核大小为h′×w′,f(·)表示激活函数,xi′+i,j′+j表示图像局部与卷积核进行卷积的图像像素点,i,j表示图像像素点的位置。
优选地,
所述CNN网络中,最大池化层的计算过程如下:
式中,f(·)表示最大池化后输出的结果,xi表示最大池化层的第i个输入特征图,m表示最大池化层输入特征图的总数。
优选地,
所述CNN网络中,全连接层采用softmax函数进行分类识别,softmax函数公式为:
式中,αi表示全连接层输入向量中对应的第i个元素值,si表示最后预测的第i个样本类别概率,j表示全连接层输入向量中元素维度。
优选地,
所述步骤S3中利用扩充后得到的训练集训练CNN网络时,还在训练完成后,利用一组标明目标类别的构成测试集,对CNN网络进行测试,若测试结果表明目标的平均识别准确率低于准确率阈值,则返回所述步骤S1。
优选地,
训练集和测试集中采样数据的俯仰角相差2°。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述MSTAR数据图像的目标分类识别方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述MSTAR数据图像的目标分类识别方法的步骤。
(三)有益效果
本发明的上述技术方案具有如下优点:本发明提供了一种MSTAR数据图像的目标分类识别方法、计算机设备及计算机可读存储介质,该方法能够对方位角信息不完备的数据集进行评估,构建方位角信息不完备的、小样本量的训练集,并利用训练集训练卷积神经网络,最终得到用于对图像中的目标分类识别的网络模型。本发明能够充分利用方位角信息不完备的数据集,并压缩数据集容量,减少数据冗余,通过小样本数据集实现目标较为准确的分类识别,在一定程度上解决了获取实测SAR图像难度大、成本高的问题。
附图说明
图1是本发明实施例中一种MSTAR数据图像的目标分类识别方法的步骤示意图;
图2是本发明实施例中CNN网络的结构示意图;
图3是MSTAR数据图像方位角缺失与均匀降采样示意图;
图4是训练集扩充示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供的一种MSTAR数据图像的目标分类识别方法,包括如下步骤:
S1、获取MSTAR数据集并进行方位角信息检测,将MSTAR数据集内采样数据的方位角间隔角度记为T,方位角缺失起始角度记为θ1,终止角度记为θ2。利用判别式P=f(T,θ1,θ2)评估MSTAR数据集方位角信息缺失情况,若超过P设定阈值,则认为该MSTAR数据集内的采样数据无法独立支持深度学习网络的训练,需要补充采样数据,因此,需再次获取MSTAR数据集(即补充采样数据)并再次进行方位角信息检测。若P不超过设定阈值,则继续执行步骤S2。
MSTAR数据集中通常包括多组采样数据,每组采样数据对应一幅图像并通过标签标明其中的各种目标类别,各幅图像的方位角不同,例如,若MSTAR数据集是方位角0~360°每隔1°采样并依序排列得到的,则该数据集为全方位角数据集,方位角间隔角度T=1°,对其进行2倍均匀降采样后,方位角间隔角度T=2°。
方位角缺失,即相对于全方位角数据集,连续缺少了某些角度的图像,仍以方位角0~360°每隔1°采样得到的MSTAR数据集为例,若在此基础上,对应方位角40~80°的图像丢失,则认为出现方位角缺失,且方位角缺失起始角度θ1=40°,终止角度θ2=80°。
方位角信息缺失会造成网络总体识别性能下降。但对原始数据进行合理的均匀降采样,不仅可以减少数据容量,且网络识别性能仍能保持较好的识别结果,有利于提升计算速度。由于不同方向的方位角存在局部区域特征敏感性差异,在某些特定角度存在重要的可区分信息,因此在评价一个MSTAR数据集的方位角信息缺失情况时,还需要考虑方位角缺失范围所对应的角度。
优选地,步骤S1中,利用判别式评估MSTAR数据集方位角信息缺失情况时,判别式为:P=a*T/8+b*(θ2-θ1)/80+c*(|θ-θ1|+|θ2-θ|)/500,其中a表示方位角间隔角度权值,b表示方位角缺失数量权值,c表示方位角缺失方向权值,a+b+c=1,θ表示目标特征不敏感方向,即代表目标在该方向的采样数据的相对重要性较低,目标特征不敏感方向可以通过先验知识,或通过目标形态特征分析确定。
本发明提出以方位角间隔角度、方位角缺失大小及方位角缺失范围对应方向三个因素评价MSTAR数据集的方位角信息缺失情况。例如,在一个具体的实施方式中,P=1/2,a=1/2、b=1/4、c=1/4,若MSTAR数据集中全部采样数据的方位角间隔角度超过8°,即使不存在方位角缺失(即方位角0~360°每隔8°均匀采样),也认为该数据集该MSTAR数据集无法独立支持训练。以BTR70(装甲运输车)、BMP2(步兵战车)、T72(坦克)等车辆目标为例,车头部分信息较为重要,可设目标特征不敏感方向θ=90°,当方位角0~360°每隔1°采样,方位角缺失大小为120°,方位角缺失方向对应θ1=0°、θ2=120°的MSTAR数据集可支持训练,而对应θ1=120°、θ2=240°的MSTAR数据集则认为无法支持训练,会造成目标分类识别准确率过低。而对于船舶目标,船艏和船舷部分方位角信息较为重要,目标特征不敏感方向与车辆目标相比发生变化。
S2、若方位角间隔角度T不超过4°,则对MSTAR数据集进行均匀降采样,使均匀降采样后的方位角间隔角度T满足6°<T≤8°,得到初始训练集。
通过均匀降采样来构建小样本量的初始训练集,能够提高计算速度,减少训练所需的数据容量。均匀降采样倍数决定了均匀降采样之后,得到的初始训练集的方位角间隔角度T,以方位角0~360°每隔1°采样得到的MSTAR数据集为例,2倍均匀降采样后,方位角间隔角度T由1°变为2°。进一步地,对于实际获取的MSTAR数据集,不超过8倍降采样。
S3、以平移截取的方式扩充初始训练集,扩充倍数为8~20,利用扩充后得到的训练集训练CNN网络。其中,对于进行深度学习的CNN网络,所述CNN网络包括至少三组交替的卷积层与最大池化层,以及至少两层全连接层。
以平移截取的方式将初始训练集扩充,得到训练集,可获得更多的、可用于训练的样本,扩充倍数优选为16倍,既不引入新的信息,又能够确保训练集的有效性、可靠性。
优选地,若步骤S2中对MSTAR数据集进行了均匀降采样,则可在利用扩充后得到的训练集训练CNN网络时,将进行了均匀降采样之后,MSTAR数据集中剩余的、未利用的采样数据补充入训练集,或在CNN网络训练完成后,将剩余的、未利用的采样数据用于测试CNN网络的识别精度。
S4、利用训练完成后得到的CNN网络进行目标分类识别。
将新采集的、未标明图像内目标类别的MSTAR数据图像输入训练完成后得到的CNN网络,即可对MSTAR数据图像中的目标进行分类识别。
优选地,CNN网络包括三组交替的卷积层与最大池化层,以及两层全连接层,如图2所示,即CNN网络包括依次连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层和第二全连接层。输入数据至第一卷积层,第一卷积层输出为第一最大池化层输入,第一最大池化层输出为第二卷积层输入,第二卷积层输出为第二最大池化层输入,第二最大池化层输出为第三卷积层输入,第三卷积层输出为第三最大池化层输入,第三最大池化层输出为第一全连接层输入,第一全连接层输出为第二全连接层输入,第二全连接层输出最终分类识别结果。
进一步地,卷积层的作用是提取图像的特征,在同一卷积层中的卷积核Wij权重是固定的,图像局部与卷积核Wij进行卷积操作,通常再加上偏置,再通过激活函数,最后得到输入图像的特征,卷积层的计算过程如下:
上式中,yi′j′表示卷积层的输出特征,i′,j′表示卷积后特征坐标,b表示偏置,Wij表示卷积核,h′表示卷积核的高度,w′表示卷积核的宽度,卷积核大小为h′×w′,f(·)表示激活函数,优选使用非线性的ReLU函数,xi′+i,j′+j表示图像局部与卷积核进行卷积的图像像素点,i,j表示图像像素点的位置。如图2所示,第一卷积层、第二卷积层、第三卷积层的卷积核尺寸优选为5×5。
池化层的作用是特征选择和信息过滤。池化层通过下采样的方法降低卷积层输出特征的维度,减少数据冗余,在一定程度上防止过拟合。本发明采用了最大池化(MaxPooling)层,优选地,CNN网络中,最大池化层的计算过程如下:
上式中,f(·)表示最大池化后输出的结果,xi表示最大池化层的第i个输入特征图,m表示最大池化层输入特征图的总数。如图2所示,第一最大池化层、第二最大池化层、第三最大池化层尺寸优选为2×2。
全连接层的作用是将前面各层提取到的特征进行整合,再通过softmax分类器进行分类识别。在卷积神经网络模型中,将整合后的特征映射到图像的目标类别标签,将输出结果映射到多目标分类类别的概率值,以达到对图像中目标进行分类识别的目的。优选地,CNN网络中,全连接层采用softmax函数进行分类识别,softmax函数公式为:
上式中,αi表示全连接层输入向量中对应的第i个元素值,si表示网络最后预测的第i个样本类别概率(0<Si<1且∑iSi=1),即目标类别属于第i个样本类别的概率,j表示全连接层输入向量中元素维度。
优选地,为确保训练后的CNN网络具有良好的分类识别能力,步骤S3中利用扩充后得到的训练集训练CNN网络时,还在训练完成后(执行步骤S4之前),利用一组标明目标类别的采样数据构成测试集,对训练完成后得到的CNN网络进行测试。若测试结果表明目标的平均识别准确率低于准确率阈值,则认为该CNN网络不能支持目标分类识别,需返回所述步骤S1。测试集优选采用全方位角数据集,能够确保进行测试时,得到的平均识别准确率的可靠性。进一步地,训练集和测试集中的采样数据的俯仰角优选相差2°,以便更好地测试CNN网络的分类识别能力。
本发明利用BMP2、BTR70和T72三类车辆目标的MSTAR原始图像,对所提出的MSTAR数据图像目标分类识别方法的有效性进行了验证。将获取的MSTAR原始图像分为两部分,每部分均包含方位角0~360°每隔1°均匀采样的图像,图像尺寸128×128(像素),第一部分中图像对应的俯仰角为17°,第二部分中图像对应的俯仰角为15°。如图3所示,对于第一部分的图像,做方位角均匀缺失处理或非均匀缺失处理,方位角均匀缺失处理对应均匀降采样(即均匀间隔抽取图像),方位角非均匀缺失处理对应方位角缺失(即连续抽取某些角度的图像),再以平移截取的方式将第一部分的图像数据扩充16倍,以扩充后得到的图像集作为训练集,扩充方式如图4所示。对于第二部分的图像,直接平移截取中心目标区域后作为统一的测试集,以保证用于训练和测试图像尺寸均为88×88。
采用(方位角信息缺失的)第一部分的图像数据训练CNN网络,CNN网络结构及具体参数如图2所示,训练优化器选择Adam优化,初始学习率为10-3,每批训练样本数量均为256,训练轮数为601轮。训练结束后,用全方位角的测试集(即全方位角数据集)测试得到的CNN网络,并给出多次测试的平均识别准确率值(简称准确率)。
表1均匀降采样倍数对准确率的影响
表1给出了针对不同程度的方位角均匀缺失对网络识别性能的影响,当方位角间隔角度不超过8°时,会影响目标分类识别准确率,但影响较小。
表2方位角缺失大小对准确率的影响
表2给出了不同程度的方位角非均匀缺失,即方位角缺失大小不同,对网络识别性能的影响,当方位角缺失程度较小时,例如方位角缺失大小为30°,对于目标分类识别准确率影响不大。
表3方位角缺失方向对准确率的影响(120°)
表4方位角缺失方向对准确率的影响(210°)
表3和表4给出了不同位置的方位角非均匀缺失,即方位角缺失范围所对应方向不同,对网络识别性能的影响。表3中方位角缺失大小为120°,表4中方位角缺失大小为210°。
综合表1至表4可以看出,针对本发明中使用的MSTAR数据,方位角信息缺失对网络识别性能有影响。而采用本发明提供的MSTAR数据图像的目标分类识别方法,需对MSTAR数据集进行方位角信息检测,评估MSTAR数据集方位角信息缺失情况,在能够通过判别式的情况下,例如对适当图像方位角进行均匀降采样,或缺失小部分方位角(如缺失0-120°),也能较好得满足识别要求,在一定程度上减少了训练深度学习CNN网络对图像数据的需求量。方位角缺失位置的不同对网络识别准确率也有影响,经验证,不同类别的目标对方位角敏感性也不同,如船舶目标当缺失船艏和船舷部分方位角信息时,网络平均识别准确率相对较低,因此,检测方位角信息,并对方位角信息缺失情况进行判别是非常重要的。通过本发明,能够利用方位角信息缺失不严重的数据集训练深度学习网络,可减少数据量需求,降低飞行成本和图像质量要求。
特别地,在本发明一些优选的实施方式中,还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施方式中所述MSTAR数据图像目标分类识别方法的步骤。
在本发明另一些优选的实施方式中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施方式中所述MSTAR数据图像目标分类识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述MSTAR数据图像目标分类识别方法实施例的流程,在此不再重复说明。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种MSTAR数据图像的目标分类识别方法,其特征在于,包括如下步骤:
S1、获取MSTAR数据集并进行方位角信息检测,将MSTAR数据集内采样数据的方位角间隔角度记为T,方位角缺失起始角度记为θ1,终止角度记为θ2;利用判别式P=f(T,θ1,θ2)评估MSTAR数据集方位角信息缺失情况,若P超过设定阈值,则再次获取MSTAR数据集并进行方位角信息检测,若P不超过设定阈值,则继续执行步骤S2;
S2、若方位角间隔角度T不超过4°,则对MSTAR数据集进行均匀降采样,使均匀降采样后,方位角间隔角度T满足6°<T≤8°,得到初始训练集;
S3、以平移截取的方式扩充初始训练集,扩充倍数为8~20,利用扩充后得到的训练集训练CNN网络;其中所述CNN网络包括至少三组交替的卷积层与最大池化层,以及至少两层全连接层;
S4、利用训练完成后得到的CNN网络进行目标分类识别。
2.根据权利要求1所述的MSTAR数据图像目标分类识别方法,其特征在于:
所述步骤S1中,利用判别式评估MSTAR数据集方位角信息缺失情况时,判别式为:P=a*T/8+b*(θ2-θ1)/80+c*(|θ-θ1|+|θ2-θ|)/500;其中,a表示方位角间隔角度权值,b表示方位角缺失数量权值,c表示方位角缺失方向权值,a+b+c=1,θ表示目标特征不敏感方向,通过先验知识或目标形态特征分析确定。
6.根据权利要求1所述的MSTAR数据图像目标分类识别方法,其特征在于:
所述步骤S3中利用扩充后得到的训练集训练CNN网络时,还在训练完成后,利用一组标明目标类别的构成测试集,对CNN网络进行测试,若测试结果表明目标的平均识别准确率低于准确率阈值,则返回所述步骤S1。
7.根据权利要求6所述的MSTAR数据图像目标分类识别方法,其特征在于:
训练集和测试集中采样数据的俯仰角相差2°。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述目标分类识别方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述目标分类识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926790.1A CN112070151B (zh) | 2020-09-07 | 2020-09-07 | 一种mstar数据图像的目标分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926790.1A CN112070151B (zh) | 2020-09-07 | 2020-09-07 | 一种mstar数据图像的目标分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070151A true CN112070151A (zh) | 2020-12-11 |
CN112070151B CN112070151B (zh) | 2023-12-29 |
Family
ID=73663669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010926790.1A Active CN112070151B (zh) | 2020-09-07 | 2020-09-07 | 一种mstar数据图像的目标分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070151B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505809A (zh) * | 2021-06-09 | 2021-10-15 | 浙江文谷科技有限公司 | 一种基于分类算法的角度识别方法及系统 |
CN114997238A (zh) * | 2022-06-24 | 2022-09-02 | 西北工业大学 | 一种基于分布矫正的sar目标识别方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100109938A1 (en) * | 2007-01-31 | 2010-05-06 | Gordon Kenneth Andrew Oswald | Adaptive radar |
US20150101411A1 (en) * | 2013-10-11 | 2015-04-16 | Seno Medical Instruments, Inc. | Systems and methods for component separation in medical imaging |
CN105303566A (zh) * | 2015-10-15 | 2016-02-03 | 电子科技大学 | 一种基于目标轮廓裁剪的sar图像目标方位角估计方法 |
CN107239740A (zh) * | 2017-05-05 | 2017-10-10 | 电子科技大学 | 一种多源特征融合的sar图像自动目标识别方法 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
WO2019065587A1 (en) * | 2017-09-29 | 2019-04-04 | Sharp Kabushiki Kaisha | SYSTEMS AND METHODS FOR SIGNALING INFORMATION ASSOCIATED WITH A CONSTITUTIVE IMAGE |
CN109934788A (zh) * | 2019-03-22 | 2019-06-25 | 鲁东大学 | 一种基于标准遥感图像的遥感图像缺失数据修复方法 |
CN110516525A (zh) * | 2019-07-01 | 2019-11-29 | 杭州电子科技大学 | 基于gan和svm的sar图像目标识别方法 |
CN110766084A (zh) * | 2019-10-28 | 2020-02-07 | 北京理工大学 | 基于cae与hl-cnn的小样本sar目标识别方法 |
CN110826643A (zh) * | 2019-11-20 | 2020-02-21 | 上海无线电设备研究所 | 一种极化欧拉特征融合深度学习的海上目标识别方法 |
CN110991418A (zh) * | 2019-12-23 | 2020-04-10 | 中国科学院自动化研究所 | 合成孔径雷达目标图像识别方法及系统 |
CN111148111A (zh) * | 2019-12-31 | 2020-05-12 | 中国移动通信集团江苏有限公司 | 天线参数的调整方法、装置、设备及计算机存储介质 |
US20200167966A1 (en) * | 2018-11-27 | 2020-05-28 | Raytheon Company | Computer architecture for artificial image generation using auto-encoder |
US20200167605A1 (en) * | 2018-11-27 | 2020-05-28 | Raytheon Company | Computer architecture for artificial image generation |
US20200191913A1 (en) * | 2015-07-17 | 2020-06-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object scanning |
CN111523392A (zh) * | 2020-03-26 | 2020-08-11 | 北京航天自动控制研究所 | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 |
-
2020
- 2020-09-07 CN CN202010926790.1A patent/CN112070151B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100109938A1 (en) * | 2007-01-31 | 2010-05-06 | Gordon Kenneth Andrew Oswald | Adaptive radar |
US20150101411A1 (en) * | 2013-10-11 | 2015-04-16 | Seno Medical Instruments, Inc. | Systems and methods for component separation in medical imaging |
US20200191913A1 (en) * | 2015-07-17 | 2020-06-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object scanning |
CN105303566A (zh) * | 2015-10-15 | 2016-02-03 | 电子科技大学 | 一种基于目标轮廓裁剪的sar图像目标方位角估计方法 |
CN107239740A (zh) * | 2017-05-05 | 2017-10-10 | 电子科技大学 | 一种多源特征融合的sar图像自动目标识别方法 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
WO2019065587A1 (en) * | 2017-09-29 | 2019-04-04 | Sharp Kabushiki Kaisha | SYSTEMS AND METHODS FOR SIGNALING INFORMATION ASSOCIATED WITH A CONSTITUTIVE IMAGE |
US20200167966A1 (en) * | 2018-11-27 | 2020-05-28 | Raytheon Company | Computer architecture for artificial image generation using auto-encoder |
US20200167605A1 (en) * | 2018-11-27 | 2020-05-28 | Raytheon Company | Computer architecture for artificial image generation |
CN109934788A (zh) * | 2019-03-22 | 2019-06-25 | 鲁东大学 | 一种基于标准遥感图像的遥感图像缺失数据修复方法 |
CN110516525A (zh) * | 2019-07-01 | 2019-11-29 | 杭州电子科技大学 | 基于gan和svm的sar图像目标识别方法 |
CN110766084A (zh) * | 2019-10-28 | 2020-02-07 | 北京理工大学 | 基于cae与hl-cnn的小样本sar目标识别方法 |
CN110826643A (zh) * | 2019-11-20 | 2020-02-21 | 上海无线电设备研究所 | 一种极化欧拉特征融合深度学习的海上目标识别方法 |
CN110991418A (zh) * | 2019-12-23 | 2020-04-10 | 中国科学院自动化研究所 | 合成孔径雷达目标图像识别方法及系统 |
CN111148111A (zh) * | 2019-12-31 | 2020-05-12 | 中国移动通信集团江苏有限公司 | 天线参数的调整方法、装置、设备及计算机存储介质 |
CN111523392A (zh) * | 2020-03-26 | 2020-08-11 | 北京航天自动控制研究所 | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 |
Non-Patent Citations (2)
Title |
---|
PANDAY, R等: "THE EFFECT OF AZIMUTH AND ANGLE OF THE SUN ELEVATION TO IMAGE CLASSIFICATION OF LANDSAT-7", 《ASIAN CONFERENCE ON REMOTE SENSING》 * |
张明蕊: "SAR图像数据分集与扩容方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505809A (zh) * | 2021-06-09 | 2021-10-15 | 浙江文谷科技有限公司 | 一种基于分类算法的角度识别方法及系统 |
CN114997238A (zh) * | 2022-06-24 | 2022-09-02 | 西北工业大学 | 一种基于分布矫正的sar目标识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112070151B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN112633382B (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
CN109766805B (zh) | 一种基于深度学习的双层车牌字符识别方法 | |
CN110909643B (zh) | 基于最近邻原型表示的遥感舰船图像小样本分类方法 | |
CN110245683B (zh) | 一种少样本目标识别的残差关系网络构建方法及应用 | |
CN110969121A (zh) | 一种基于深度学习的高分辨率雷达目标识别算法 | |
CN112070151A (zh) | 一种mstar数据图像的目标分类识别方法 | |
CN111898621A (zh) | 一种轮廓形状识别方法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN112215119A (zh) | 一种基于超分辨率重建的小目标识别方法、装置及介质 | |
CN112115937A (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN112487900A (zh) | 一种基于特征融合的sar图像舰船目标检测方法 | |
CN111192240B (zh) | 一种基于随机接入记忆的遥感图像目标检测方法 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
WO2023273337A1 (zh) | 一种基于代表特征的遥感图像中的密集目标检测方法 | |
CN111105436B (zh) | 目标跟踪方法、计算机设备及存储介质 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN110046590A (zh) | 一种基于粒子群优化深度学习特征选择的一维像识别方法 | |
CN108960005B (zh) | 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统 | |
CN115375959A (zh) | 一种车辆图像识别模型建立及识别方法 | |
CN115205602A (zh) | 基于最优传输距离函数的零样本sar目标识别方法 | |
CN112329798A (zh) | 一种基于优化视觉词袋模型的图像场景分类方法 | |
CN113051901A (zh) | 一种身份证文本识别方法、系统、介质及电子终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |